retrieval-quality-kNN-LMs
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- University of Massachusetts Amherst
- Typ organizacji
- Academia
- Kraj
- United States of America
- Opublikowany
- 28 October 2022
- Autorzy
- Andrew Drozdov, Shufan Wang, Razieh Rahimi, Andrew McCallum, Hamed Zamani, Mohit Iyyer
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Language
- Zadanie
- Language modeling
- Model bazowy
- Base LM + kNN LM + Continuous Cache
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 247M
- Dane treningowe
- 103,000,000 tokens
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
- Kod treningowy
- Open source
MIT for code: https://github.com/iesl/knnlm-retrieval-quality
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Cytaty
- 15
- Dane benchmarkowe
- retrieval-quality-kNN-LMs
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- You can’t pick your neighbors, or can you? When and how to rely on retrieval in the kNN-LM
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Tło
retrieval-quality-kNN-LMs został opublikowany przez University of Massachusetts Amherst, w kraju zapisanym jako United States of America, podczas October 2022. Wychodzi z organizacji zaklasyfikowanej jako academia.
Działa w dziedzinie Language, i jest zapisany jako wykonujący zadanie language modeling.
Jego punktem wyjścia był istniejący model podstawowy, Base LM + kNN LM + Continuous Cache. Dlatego dzieli ogólny kształt i rozmiar modelu bazowego.
Jego wagi nigdy nie zostały opublikowane, więc można go osiągnąć tylko przez jego dostawcę. Żaden procesor graficzny tego nie zmieni.
Jak to zostało wytrenowane
Zbiór treningowy trwał około 103,000,000 Tokeny tekstu.
Odpowiedzi
retrieval-quality-kNN-LMs — częste pytania
retrieval-quality-kNN-LMs— do czego to służy?
Działa w dziedzinie Language, i jest zarejestrowany jako realizujący zadanie language modeling. To są obszary, wokół których został zaprojektowany; opisują zamiar, a nie twardą granicę.
retrieval-quality-kNN-LMs— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
retrieval-quality-kNN-LMs— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
retrieval-quality-kNN-LMs— ile ma parametrów?
Ma liczbę parametrów równą 247M. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
retrieval-quality-kNN-LMs— kto to stworzył?
Zostało opublikowane przez University of Massachusetts Amherst, oparty na United States of America, organizacja sklasyfikowana jako academia.
retrieval-quality-kNN-LMs— kiedy to zostało wydane?
Zostało opublikowane w October 2022. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.